论文部分内容阅读
由于真实低分辨率图片下采样核处于未知状态,难以估计,在实验室训练的超分辨率模型对自然场景图片的恢复效果不佳,而实验室里退化处理的低分辨率图片的恢复效果显著,导致深度学习在图片超分辨率上的算法难以在自然场景中使用。近年来越来越多的研究关注于通过对未知下采样核的模拟,训练得到可以处理自然场景低分辨率图片的超分辨率模型。针对这些问题,提出一个新的框架,利用无监督训练得到的非线性模型代替自然场景中的未知下采样核,端到端地生成低分辨率图像制作数据集。另外,提出了一种改进的残差网络结构用于生成模型的搭建。实验结